Python+Dlib+Opencv實現人臉採集並表情判別

一、dlib以及opencv-python庫安裝

介於我使用的是jupyter notebook，所以在安裝dlib和opencv-python時是在

這個命令行安裝的

dlib安裝方法：

1.若可以，直接使用上圖所示命令行輸入以下命令：

pip install cmake

pip install boost

pip install dlib

若安裝了visual studio2019應該就可以直接pip install dlib，至少我是這樣

由於很多在執行第三句時都會報錯，所以這裏提供第二種辦法

2.去dlib官網：http://dlib.net/ 或者 https://github.com/davisking/dlib 下載壓縮包

下載完成後，解壓縮

在安裝dlib前需要安裝Boost和Cmake，dlib19之後你需要安裝vs2015以上的IDE，本人是安裝的vs2019，（建議先安裝好VS之後再安裝Cmake和 boost）

Cmake安裝

官網下載安裝包：https://cmake.org/download/

我下的是

直接安裝之後，配置環境變量

Boost下載

安裝boost：下載地址：http://www.boost.org/

如果vs安裝的是2015以上的版本，可以直接進行下一步，最好安裝最新版本，不然會找不到b2命令

下載之後將其解壓縮，進入boost_1_73_0文件夾中，找到bootstrap.bat批處理文件，雙擊運行，等待運行完成後（命令行自動消失）會生成兩個文件b2.exe和bjam.exe

然後將這兩個文件複製到boost_1_73_0根文件夾下：
同樣開啓一個命令行，定位到這個文件夾，運行命令：
b2 install

這個安裝需要一段時間，耐心等候。

利用b2編譯庫文件：

b2 -a –with-python address-model=64 toolset=msvc runtime-link=static
之前你cmake下載的64位這裏（address-model）寫64，如果是32位的就把之前的64改成32

安裝完成後配置boost環境變量

安裝dlib

進入你的dlib解壓路徑，輸入python setup.py install

成功之後會在文件夾中看見dlib和dlib.egg-info ，將這兩個文件夾複製到你的python安裝的目錄下的Lib文件中：

—>例如我的python環境爲python2.7，

—>所以將其放在python2-7文件夾的Python2-7\Lib\site-packages中

—>這時，就已經完成了dlib的配置

opencv-python安裝方法

在Anaconda Prompt下輸入以下命令

pip install opencv-python

但如果一直失敗，建議在Anaconda Prompt下輸入以下命令

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

二、dlib的68點模型

dlib的68點模型，使用網絡上大神訓練好的特徵預測器，用來進行python代碼人臉識別的特徵預測。

三、Python實現人臉識別&表情判別

"""
從視屏中識別人臉，並實時標出面部特徵點
"""
import sys
import dlib  # 人臉識別的庫dlib
import numpy as np  # 數據處理的庫numpy
import cv2  # 圖像處理的庫OpenCv
 
class face_emotion():
    def __init__(self):
        # 使用特徵提取器get_frontal_face_detector
        self.detector = dlib.get_frontal_face_detector()
        # dlib的68點模型，使用作者訓練好的特徵預測器
        self.predictor = dlib.shape_predictor("F:/face.dat")
 
        # 建cv2攝像頭對象，這裏使用電腦自帶攝像頭，如果接了外部攝像頭，則自動切換到外部攝像頭
        self.cap = cv2.VideoCapture(0)
        # 設置視頻參數，propId設置的視頻參數，value設置的參數值
        self.cap.set(3, 480)
        # 截圖screenshoot的計數器
        self.cnt = 0
 
    def learning_face(self):
 
        # 眉毛直線擬合數據緩衝
        line_brow_x = []
        line_brow_y = []
 
        # cap.isOpened（） 返回true/false 檢查初始化是否成功
        while (self.cap.isOpened()):
 
            # cap.read()
            # 返回兩個值：
            #    一個布爾值true/false，用來判斷讀取視頻是否成功/是否到視頻末尾
            #    圖像對象，圖像的三維矩陣
            flag, im_rd = self.cap.read()
 
            # 每幀數據延時1ms，延時爲0讀取的是靜態幀
            k = cv2.waitKey(1)
 
            # 取灰度
            img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)
 
            # 使用人臉檢測器檢測每一幀圖像中的人臉。並返回人臉數rects
            faces = self.detector(img_gray, 0)
 
            # 待會要顯示在屏幕上的字體
            font = cv2.FONT_HERSHEY_SIMPLEX
 
            # 如果檢測到人臉
            if (len(faces) != 0):
 
                # 對每個人臉都標出68個特徵點
                for i in range(len(faces)):
                    # enumerate方法同時返回數據對象的索引和數據，k爲索引，d爲faces中的對象
                    for k, d in enumerate(faces):
                        # 用紅色矩形框出人臉
                        cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255))
                        # 計算人臉熱別框邊長
                        self.face_width = d.right() - d.left()
 
                        # 使用預測器得到68點數據的座標
                        shape = self.predictor(im_rd, d)
                        # 圓圈顯示每個特徵點
                        for i in range(68):
                            cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8)
                            # cv2.putText(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                            #            (255, 255, 255))
 
                        # 分析任意n點的位置關係來作爲表情識別的依據
                        mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width  # 嘴巴咧開程度
                        mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width  # 嘴巴張開程度
                        # print("嘴巴寬度與識別框寬度之比：",mouth_width_arv)
                        # print("嘴巴高度與識別框高度之比：",mouth_higth_arv)
 
                        # 通過兩個眉毛上的10個特徵點，分析挑眉程度和皺眉程度
                        brow_sum = 0  # 高度之和
                        frown_sum = 0  # 兩邊眉毛距離之和
                        for j in range(17, 21):
                            brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top())
                            frown_sum += shape.part(j + 5).x - shape.part(j).x
                            line_brow_x.append(shape.part(j).x)
                            line_brow_y.append(shape.part(j).y)
 
                        # self.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y)  # 計算眉毛的傾斜程度
                        tempx = np.array(line_brow_x)
                        tempy = np.array(line_brow_y)
                        z1 = np.polyfit(tempx, tempy, 1)  # 擬合成一次直線
                        self.brow_k = -round(z1[0], 3)  # 擬合出曲線的斜率和實際眉毛的傾斜方向是相反的
 
                        brow_hight = (brow_sum / 10) / self.face_width  # 眉毛高度佔比
                        brow_width = (frown_sum / 5) / self.face_width  # 眉毛距離佔比
                        # print("眉毛高度與識別框高度之比：",round(brow_arv/self.face_width,3))
                        # print("眉毛間距與識別框高度之比：",round(frown_arv/self.face_width,3))
 
                        # 眼睛睜開程度
                        eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y +
                                   shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)
                        eye_hight = (eye_sum / 4) / self.face_width
                        # print("眼睛睜開距離與識別框高度之比：",round(eye_open/self.face_width,3))
 
                        # 分情況討論
                        # 張嘴，可能是開心或者驚訝
                        if round(mouth_higth >= 0.03):
                            if eye_hight >= 0.056:
                                cv2.putText(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX,
                                            0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
 
                        # 沒有張嘴，可能是正常和生氣
                        else:
                            if self.brow_k <= -0.3:
                                cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
 
                # 標出人臉數
                cv2.putText(im_rd, "Faces: " + str(len(faces)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
            else:
                # 沒有檢測到人臉
                cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
 
            # 添加說明
            im_rd = cv2.putText(im_rd, "S: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)
            im_rd = cv2.putText(im_rd, "Q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)
 
            # 按下s鍵截圖保存
            if (k == ord('s')):
                self.cnt += 1
                cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd)
 
            # 按下q鍵退出
            if (k == ord('q')):
                break
 
            # 窗口顯示
            cv2.imshow("camera", im_rd)
 
        # 釋放攝像頭
        self.cap.release()
 
        # 刪除建立的窗口
        cv2.destroyAllWindows()
 
 
if __name__ == "__main__":
    my_face = face_emotion()
    my_face.learning_face()

四、參考文章

https://blog.csdn.net/qq_35723619/article/details/83042202